基于两步物理信息神经网络的二维街道峡谷重构平均流场估计污染物扩散

《BUILDING AND ENVIRONMENT》:Estimating Pollutant Dispersion Based on Reconstructed Mean Flow Field in a Two-Dimensional Street Canyon Using Two-Step Physics-Informed Neural Networks

【字体: 大 中 小 】 时间:2026年07月22日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  城市环境展现出复杂的物理现象,涉及多个相互耦合且量级不平衡的变量,这使得高分辨率测量既困难又昂贵。本研究旨在利用物理信息神经网络(PINNs)减少测量需求,同时准确估计平均流场和污染物浓度场。为提高PINNs在处理不平衡输出时的鲁棒性并缓解其面临的困难,本文提

  
城市环境展现出复杂的物理现象,涉及多个相互耦合且量级不平衡的变量,这使得高分辨率测量既困难又昂贵。本研究旨在利用物理信息神经网络(PINNs)减少测量需求,同时准确估计平均流场和污染物浓度场。为提高PINNs在处理不平衡输出时的鲁棒性并缓解其面临的困难,本文提出了一种两步框架,在该框架中,二维街道峡谷内的气流和污染物扩散被分别训练。第一步,PINN从大涡模拟(LES)获得的稀疏速度数据中重构平均流场,并同时估计涡粘性。第二步,将这些结果作为固定场施加到对流-扩散方程中,从而能够估计来自地面线源的污染物扩散。通过利用准确重构的流场,第二步PINN实现了平均浓度场和湍流扩散系数的可靠重构。将涡粘性作为额外的物理信息纳入,不仅降低了训练成本并提高了精度,还显著减少了数据需求。涡粘性数据确保了系统封闭,使得即使在缺乏浓度测量的情况下,也能实现物理驱动的浓度场估计。此外,对优化策略的比较表明,L-BFGS因其二阶特性而比Adam更有效,有助于在病态残差损失景观中收敛。总体而言,所提出的方法展示了PINNs在处理城市环境中多输出不平衡缩放问题方面的强大能力,突显了其更广泛应用的潜力。
**基于两步物理信息神经网络的二维街道峡谷污染物扩散估计研究解读**

**研究背景与问题**
快速城市化进程对城市微气候产生了深远影响,高密度建筑和狭窄街道形成了复杂的城市冠层环境。街道峡谷(两侧连续高楼围成的狭长街道)严重影响局部风场、热环境和空气质量。狭窄峡谷易生成大尺度涡旋并降低环境风速,限制自然通风,导致交通排放的污染物滞留,加剧行人暴露水平。实验和现场测量虽能提供关键机制认识,但成本高、耗时长,且空间分辨率有限,难以对流场和浓度场进行全面表征。计算流体动力学(CFD)方法,如雷诺平均Navier-Stokes(RANS)方程和大涡模拟(LES),被广泛用于模拟城市风场和污染物扩散,但LES计算成本极高,且CFD模型存在固有假设和简化。物理信息神经网络(PINNs)通过将控制方程融入训练过程并利用稀疏观测数据,为传统方法提供了替代方案,但在处理多尺度、刚性方程时,变量量级差异和物理约束竞争常导致梯度病理和收敛失败。因此,本研究旨在提出一种两步PINN框架,以两步分别训练流场和浓度场,缓解多输出不平衡问题,减少测量需求,并准确估计平均流场和污染物浓度场。该论文发表在《BUILDING AND ENVIRONMENT》。

**主要技术方法**
研究人员采用两步PINN框架,基于二维街道峡谷模型(高宽比1,尺寸0.12 m×0.12 m,参考风洞实验配置),利用LES生成的稀疏速度数据(94个点,空间分辨率H/6)和浓度数据(39个点或22个点)作为伪测量数据。第一步,PINN输入二维空间坐标,输出平均速度分量、平均压力及涡粘性,基于RANS方程和连续性方程进行物理约束,使用Adam优化器(30,000步)和L-BFGS优化器(20,000步)训练。第二步,将第一步得到的流场和涡粘性作为固定场,通过两种方式处理浓度场:一是直接估计湍流扩散系数(并行网络架构),二是基于固定涡粘性及湍流施密特数(Sct)求解对流-扩散方程(单输出网络,减少输出变量以实现理论封闭)。训练中采用L-BFGS优化器以应对源项主导的刚性损失景观,并利用自动微分计算梯度。

**研究结果**
**3.1 平均流场重构**
通过将稀疏速度数据输入第一步PINN,成功重构了峡谷内的主循环和剪切层动量交换特征。误差主要出现在近壁区域,因速度梯度陡峭而低估,源边界附近因水平速度引入额外偏差,但整体重构准确,关键特征得以恢复。

**3.2 平均浓度场重构**
**3.2.1 基于湍流扩散系数的浓度场重构**
采用对流-扩散方程(含湍流扩散系数)并行估计浓度及扩散系数。两种数据配置(39点与22点)均成功捕捉了高浓度扩散和风向建筑壁面分散特征,但源边界附近误差较大,且构建的扩散系数分布异常。Case A(高密度)均方根误差(RMSE)为0.0029 Cref,Case B为0.0034 Cref,表明需较高数据密度。

**3.2.2 基于固定涡粘性的浓度场重构**
将第一步估计的涡粘性作为固定场,结合湍流施密特数(0.3、0.5、0.7)求解对流-扩散方程。训练步骤大幅减少至1,000步,所有配置均准确重构浓度场,且精度显著优于基于扩散系数的重构。湍流施密特数对结果影响不显著,因数据同化使训练优先满足测量约束。RMSE最低达0.0017 Cref(Case A,Sct=0.7),Case B与Case A精度差异极小,表明数据需求可降至H/5。

**3.3 无测量数据的浓度场估计**
基于固定涡粘性框架,系统理论封闭,无需浓度数据即可估计浓度场。三个Sct配置(0.3、0.5、0.7)均成功捕捉分散特征,但受RANS模型固有局限,在迎风建筑和街道附近存在高估或低估。Sct=0.5表现最佳,RMSE为0.0024 Cref,虽比有数据重构的精度降低25%,但优于基于湍流扩散系数的重构结果(17%改善)。

**3.4 Adam与L-BFGS优化器训练策略比较**
在源项主导的刚性损失景观中,Adam优化器因一阶特性难以收敛,PDE残差停滞,尤其在无数据约束时易陷入虚假局部最小值。L-BFGS利用拟牛顿二阶曲率信息,有效校正梯度方向,在1,000步内达到稳定精度,无论有无数据均表现更优,成为本研究首选优化器。

**讨论与结论**
讨论部分指出,三种方法适用不同场景:有数据且涡粘性可靠时,推荐方法2(固定涡粘性+数据);无数据时,方法3提供物理驱动估计,但精度依赖模型假设。所有方法均显著降低计算成本(训练时间从2分钟到3小时40分钟,而LES需约2个月)。局限性包括:二维简化、无噪声数据、误差传播等,未来需拓展至三维,引入自适应损失加权和残差自适应细化等先进PINN变体。

结论翻译如下:本文提出了一种两步PINN框架,用于重构二维城市街道峡谷内的平均流场和浓度场。通过两步独立训练,提高了不平衡输出变量的鲁棒性和精度。第一步模型成功从稀疏速度数据重构平均流场;第二步将结果作为固定场,结合涡粘性显著降低了训练成本(至1,000步)和数据需求(至H/5),最小RMSE为0.0017 Cref,且对湍流施密特数不敏感。无数据时,模型仍能物理驱动估计浓度,Sct=0.5时RMSE为0.0024 Cref,但受RANS模型局限,迎风建筑附近略有高估。优化器比较表明,L-BFGS因二阶特性在源项主导的刚性问题上优于Adam。总体而言,所提方法展示了PINNs处理城市环境中多输出不平衡问题的强大能力,为更广泛应用奠定了基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号